[論文レビュー] Primary Channel Gain Estimation for Spectrum Sharing in Cognitive Radio Networks

Lin Zhang, Guodong Zhao+5 more|arXiv (Cornell University)|Jun 22, 2016

Cognitive Radio Networks and Spectrum Sensing被引用数 5

ひとこと要約

本稿では、バックハネル回路が存在しない認知無線送信機が、干渉温度を考慮したスケジューリングを可能にするために、主路側のチャネル利得を推定する2つの推定器—最尤推定（ML）および中央値ベース推定（MB）—を提案する。ML推定器は0.6 dBの推定誤差を達成するが、MB推定器は0.7 dBの誤差で低複雑性を実現し、両者とも共存に適した正確な電力制御を可能にする。

ABSTRACT

In cognitive radio networks, the channel gain between primary transceivers, namely, primary channel gain, is crucial for a cognitive transmitter (CT) to control the transmit power and achieve spectrum sharing. Conventionally, the primary channel gain is estimated in the primary system and thus unavailable at the CT. To deal with this issue, two estimators are proposed by enabling the CT to sense primary signals. In particular, by adopting the maximum likelihood (ML) criterion to analyze the received primary signals, a ML estimator is first developed. After demonstrating the high computational complexity of the ML estimator, a median based (MB) estimator with proved low complexity is then proposed. Furthermore, the estimation accuracy of the MB estimation is theoretically characterized. By comparing the ML estimator and the MB estimator from the aspects of the computational complexity as well as the estimation accuracy, both advantages and disadvantages of two estimators are revealed. Numerical results show that the estimation errors of the ML estimator and the MB estimator can be as small as $0.6$ dB and $0.7$ dB, respectively.

研究の動機と目的

• バックハネル回路が存在しないことによる、認知送信機が主路側チャネル利得にアクセスできないという課題に対処すること。
• 主路側チャネル状態の直接的な知識がなくても、干渉温度の推定を用いて認知無線ネットワークにおけるスケジューリングを可能にすること。
• 主信号の統計的特性を活用してチャネル利得を推定する、低複雑性でありながら高精度な推定手法の開発。
• 高複雑性と低複雑性推定器の間の推定精度と計算複雑性のトレードオフを理論的に特徴づけること。

提案手法

• 最尤推定（ML）推定器は、測定された主信号に最尤基準を適用することで導出され、統計的信号モデルを活用して主路側チャネル利得を推定する。
• 中央値ベース（MB）推定器は、低複雑性の代替手法として提案され、測定された信号からの順序付きSNR測定値を用いて、チャネル利得分布の中央値を推定する。
• 本手法は、主信号の電力とチャネル利得の間の暗黙的な関係を活用しており、電力の適応が下位の路損失およびシャドウイングを反映している。
• 理論的分析により、SNR測定値の順序統計量を用いて推定誤差の上限が導出され、大規模な標本サイズ下で真の中央値に収束することを示す。
• MB推定器の性能は、累積分布関数（CDF）の上限を用いて特徴づけられ、Kが大きい場合に一貫性と有界誤差を証明する。
• 推定誤差と計算複雑性の観点から、ML推定器とMB推定器の理論的および数値的比較が行われる。

実験結果

リサーチクエスチョン

• RQ1 バックハネル回路が存在しない認知送信機は、主路側チャネル利得を推定できるか？
• RQ2 測定された主信号のみを用いて、主路側チャネル利得をどの程度正確に推定できるか？
• RQ3 主路側チャネル利得推定における推定精度と計算複雑性のトレードオフは何か？
• RQ4 低複雑性推定器は、実用的なスケジューリングに十分な精度を達成できるか？
• RQ5 中央値ベース推定器は、最尤推定器と比較して誤差とロバストネスの観点でどの程度優れているか？

主な発見

• 最尤（ML）推定器は最適条件下で最小0.6 dBの推定誤差を達成する。
• 中央値ベース（MB）推定器は最小0.7 dBの推定誤差を達成し、顕著に低い複雑性で高い精度を示す。
• 理論的分析により、MB推定器の推定誤差が標本数が増加するにつれて0に収束することが証明され、一貫性が保証される。
• ML推定器はMB推定器を上回る推定精度を示すが、それに伴い著しく高い計算複雑性を要する。
• 両推定器とも、変動するチャネル条件下でもロバストであり、順序統計量とCDF解析により誤差の上限が証明されている。
• 推定誤差は高い確率で有界であり、信号のサンプル数を増やすことで誤差を任意に小さくできる。